論文の概要: AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network
for Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2011.11004v1
- Date: Sun, 22 Nov 2020 12:49:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 12:08:39.579072
- Title: AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network
for Traffic Forecasting
- Title(参考訳): AST-GCN:トラフィック予測のための時空間グラフ畳み込みネットワーク
- Authors: Jiawei Zhu, Chao Tao, Hanhan Deng, Ling Zhao, Pu Wang, Tao Lin,
Haifeng Li
- Abstract要約: 交通予測手法に外部要因を統合するための属性拡張時間グラフ畳み込みネットワーク(AST-GCN)を提案する。
従来の交通予測手法と比較して,交通予測タスクの外部情報を考慮した場合の有効性を示す。
- 参考スコア(独自算出の注目度): 12.284512000306314
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Traffic forecasting is a fundamental and challenging task in the field of
intelligent transportation. Accurate forecasting not only depends on the
historical traffic flow information but also needs to consider the influence of
a variety of external factors, such as weather conditions and surrounding POI
distribution. Recently, spatiotemporal models integrating graph convolutional
networks and recurrent neural networks have become traffic forecasting research
hotspots and have made significant progress. However, few works integrate
external factors. Therefore, based on the assumption that introducing external
factors can enhance the spatiotemporal accuracy in predicting traffic and
improving interpretability, we propose an attribute-augmented spatiotemporal
graph convolutional network (AST-GCN). We model the external factors as dynamic
attributes and static attributes and design an attribute-augmented unit to
encode and integrate those factors into the spatiotemporal graph convolution
model. Experiments on real datasets show the effectiveness of considering
external information on traffic forecasting tasks when compared to traditional
traffic prediction methods. Moreover, under different attribute-augmented
schemes and prediction horizon settings, the forecasting accuracy of the
AST-GCN is higher than that of the baselines.
- Abstract(参考訳): 交通予測はインテリジェント交通分野における基本的な課題である。
正確な予測は、過去の交通流情報に依存するだけでなく、気象条件や周囲のPOI分布など、さまざまな外部要因の影響も考慮する必要がある。
近年,グラフ畳み込みネットワークとリカレントニューラルネットワークを統合した時空間モデルが交通予測研究のホットスポットとなり,大きな進展を遂げている。
しかし、外部要因を統合する作品はほとんどない。
そこで,外的要因の導入は,トラフィック予測における時空間精度の向上と解釈可能性の向上を前提として,属性強化時空間グラフ畳み込みネットワーク(AST-GCN)を提案する。
外部因子を動的属性および静的属性としてモデル化し、それらの因子を時空間グラフ畳み込みモデルにエンコードして統合する属性拡張単位を設計する。
実データを用いた実験では,トラヒック予測手法と比較して,トラヒック予測タスクの外部情報を考慮した場合の有効性を示す。
さらに,異なる属性拡張方式と予測水平設定の下では,AST-GCNの予測精度はベースラインの予測精度よりも高い。
関連論文リスト
- Self-Supervised Deconfounding Against Spatio-Temporal Shifts: Theory and
Modeling [48.09863133371918]
本研究では,過去の交通データ,将来の交通データ,外部STコンテキストの因果グラフを構築することで,問題を定式化する。
OODトラフィックデータにおける先行技術の失敗は、STコンテキストが共同創設者として機能すること、すなわち過去のデータと将来のデータに対する共通の原因によるものであることが示される。
本研究では,STEVE(Spatio-Temporal sElf-superVised dEconfounding)フレームワークを考案し,トラフィックデータを2つの不整合表現に符号化し,不変および変動STコンテキストを関連付ける。
論文 参考訳(メタデータ) (2023-11-21T09:33:13Z) - Spatio-Temporal Graph Neural Point Process for Traffic Congestion Event
Prediction [16.530361912832763]
本稿では,交通渋滞イベント予測のための時間グラフニューラルポイントプロセスフレームワークSTNPPを提案する。
提案手法は,既存の最先端手法と比較して優れた性能を実現する。
論文 参考訳(メタデータ) (2023-11-15T01:22:47Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-02T17:13:16Z) - Newell's theory based feature transformations for spatio-temporal
traffic prediction [0.0]
本稿では,交通流予測のための深層学習(DL)モデルのための交通流物理に基づく変換機能を提案する。
この変換は、Newellがターゲット位置におけるトラフィックフローの非混雑フィルタを組み込んだもので、モデルがシステムのより広範なダイナミクスを学習できるようにする。
私たちのフレームワークの重要な利点は、データが利用できない新しい場所に転送できることです。
論文 参考訳(メタデータ) (2023-07-12T06:31:43Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T14:27:27Z) - Urban Regional Function Guided Traffic Flow Prediction [117.75679676806296]
メタデータとして各領域の機能を利用するPOI-MetaBlockという新しいモジュールを提案する。
我々のモジュールはトラフィックフロー予測の性能を大幅に改善し、メタデータを使用する最先端の手法より優れています。
論文 参考訳(メタデータ) (2023-03-17T06:03:49Z) - Dynamic Graph Neural Network with Adaptive Edge Attributes for Air
Quality Predictions [12.336689498639366]
本稿では,メッセージパッシングネットワーク上での適応エッジ属性(DGN-AEA)を用いた動的グラフニューラルネットワークを提案する。
エッジを確立するための事前情報とは異なり、事前情報なしでエンドツーエンドのトレーニングを通じて適応的なエッジ情報を得ることができる。
論文 参考訳(メタデータ) (2023-02-20T13:45:55Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳(メタデータ) (2023-01-19T08:42:40Z) - AST-GIN: Attribute-Augmented Spatial-Temporal Graph Informer Network for
Electric Vehicle Charging Station Availability Forecasting [8.596556653895028]
本研究では,Attribute-Augmented Space-Temporal Graph Informer (AST-GIN) 構造を提案する。
私たちのモデルはダンディーシティで収集されたデータに基づいてテストされます。
論文 参考訳(メタデータ) (2022-09-07T13:51:45Z) - KST-GCN: A Knowledge-Driven Spatial-Temporal Graph Convolutional Network
for Traffic Forecasting [8.490904938246347]
本研究では,時空間グラフ畳み込みネットワークに基づく知識表現型交通予測手法を提案する。
まず,交通予測のための知識グラフを構築し,KR-EARという知識表現学習手法を用いて知識表現を導出する。
そこで我々は,空間時間グラフ畳み込みバックボーンネットワークの入力として,知識とトラフィックの特徴を組み合わせた知識融合セル(KF-Cell)を提案する。
論文 参考訳(メタデータ) (2020-11-26T14:15:52Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳(メタデータ) (2020-01-09T10:21:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。